論文の概要: TRIDENT and SHAKTI: A Framework and Benchmark for Hindi AI-Text Detection

• arxiv url: http://arxiv.org/abs/2610.41232v1
• Date: Fri, 30 Oct 2026 04:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.612858
• Title: TRIDENT and SHAKTI: A Framework and Benchmark for Hindi AI-Text Detection
• Title（参考訳）: TRIDENTとSHAKTI:ヒンディー語AIテキスト検出のためのフレームワークとベンチマーク
• Abstract要約: SHAKTIは4つのジャンル、8つのLLMファミリー、複数のプロンプト戦略、および逆変換を含む大規模なヒンディー語ベンチマークである。 我々は、人間のアノテーションを用いてその品質を評価し、人文とAI生成テキストの言語的、文法的、感情的差異を分析する。 TRIDENT-S(静的しきい値)、TRIDENT-D(動的しきい値)、TRIDENT-C(マルチディスタンスRTT特徴を用いた論理回帰)の3つのバリエーションを持つラウンドトリップ翻訳に基づく検出フレームワークであるTRIDENTを提案する。
• 参考スコア（独自算出の注目度）: 4.4478386152528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Large Language Models (LLMs) become increasingly multilingual, distinguishing human-written from AI-generated text is essential for maintaining information integrity. However, research remains English-centric, with limited benchmarks for low-resource languages such as Hindi. To address this gap, we introduce SHAKTI, a large-scale Hindi benchmark covering four genres, eight LLM families, multiple prompting strategies, and adversarial transformations. We evaluate its quality through human annotation and analyze linguistic, grammatical, and sentiment-based differences between human- and AI-generated texts. Building on these findings, we propose TRIDENT, a round-trip translation-based detection framework with three variants: TRIDENT-S (static threshold), TRIDENT-D (dynamic threshold), and TRIDENT-C (logistic regression using multi-distance RTT features). TRIDENT leverages semantic consistency between original and round-trip translated texts to identify AI-generated content. Extensive experiments show that TRIDENT outperforms conventional and supervised baselines, with TRIDENT-S achieving the best overall performance. Further evaluations across seven languages, adversarial settings, and unseen LLMs demonstrate its multilingual applicability and robustness, while highlighting sensitivity to the translation model.
• Abstract（参考訳）: 大規模言語モデル (LLMs) が多言語化されるにつれて、情報整合性を維持する上では、AI生成テキストと人間の書き起こしを区別することが不可欠である。 しかし、研究は英語中心であり、ヒンディー語のような低リソース言語のベンチマークは限られている。 このギャップに対処するため、SHAKTIは4つのジャンル、8つのLLMファミリー、複数のプロンプト戦略、および逆変換を含む大規模なヒンディー語ベンチマークである。 我々は、人間のアノテーションを用いてその品質を評価し、人文とAI生成テキストの言語的、文法的、感情的差異を分析する。 これらの知見に基づいて, TRIDENT-S (静的しきい値), TRIDENT-D (動的しきい値), TRIDENT-C (複数距離RTT特徴を用いた論理回帰) の3つの変種を有するラウンドトリップ翻訳に基づく検出フレームワークであるTRIDENTを提案する。 TRIDENTは、オリジナルテキストとラウンドトリップ翻訳テキスト間のセマンティック一貫性を活用して、AI生成コンテンツを特定する。 総合実験により、TRIDENTは従来のベースラインや教師付きベースラインよりも優れており、TRIDENT-Sは全体的なパフォーマンスが最高であることが示された。 7言語間のさらなる評価、敵対的設定、未知のLLMは多言語対応性と堅牢性を示し、翻訳モデルに対する感度を強調している。

関連論文リスト

• DetectRL-X: Towards Reliable Multilingual and Real-World LLM-Generated Text Detection [68.92080038934164]
  本研究では8次元の先進検出器を評価するためのベンチマークであるTreatorRL-Xを紹介する。 このベンチマークは、商業的文脈で一般的に使用される8つの言語を含み、誤用を受けやすい6つのドメインから人書きのテキストを収集する。
  論文  参考訳（メタデータ） (2026-05-15T01:29:26Z)
• DITING: A Multi-Agent Evaluation Framework for Benchmarking Web Novel Translation [31.1561882673283]
  DIINGは、Webノベル翻訳のための最初の総合的な評価フレームワークである。 AgentEvalは専門家による検討をシミュレートし、語彙オーバーラップを超えて翻訳品質を評価する。 誤りラベルとスカラー品質スコアを付加した300文対のメタ評価データセットであるMetricAlignを開発した。
  論文  参考訳（メタデータ） (2025-10-10T08:10:10Z)
• CDTP: A Large-Scale Chinese Data-Text Pair Dataset for Comprehensive Evaluation of Chinese LLMs [71.01843542502438]
  我々は,中国語大言語モデル(CB-ECLLM)を評価するための総合的ベンチマークを提案する。 CB-ECLLMは、新たに構築された中国データテキストペア(CDTP)データセットに基づいている。 CDTPは700万以上のテキストペアで構成されており、それぞれが1つ以上の対応する3重テキストと、4つの重要なドメインにまたがる合計1500万の3重テキストで構成されている。
  論文  参考訳（メタデータ） (2025-10-07T15:33:52Z)
• Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
  既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。 本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:42:09Z)
• Towards Reliable Detection of LLM-Generated Texts: A Comprehensive Evaluation Framework with CUDRT [9.682499180341273]
  大規模言語モデル(LLM)はテキスト生成が大幅に進歩しているが、その出力の人間的な品質は大きな課題を呈している。 中国語と英語の総合的な評価フレームワークとバイリンガルベンチマークであるCUDRTを提案する。 このフレームワークは、スケーラブルで再現可能な実験をサポートし、運用の多様性、多言語トレーニングセット、LLMアーキテクチャが検出性能に与える影響を分析する。
  論文  参考訳（メタデータ） (2024-06-13T12:43:40Z)
• Distinguishing Translations by Human, NMT, and ChatGPT: A Linguistic and Statistical Approach [1.6982207802596105]
  本研究では,(1)NMTとヒト翻訳(HT)からのChatGPT生成翻訳の識別可能性,(2)翻訳タイプの言語的特徴,(3)ChatGPT生成翻訳とHT,あるいはNMTとの類似度について検討する。
  論文  参考訳（メタデータ） (2023-12-17T15:56:05Z)
• Advancing Multilingual Pre-training: TRIP Triangular Document-level Pre-training for Multilingual Language Models [107.83158521848372]
  我々は,従来のモノリンガルおよびバイリンガルの目的を,グラフト法と呼ばれる新しい手法で三言語的目的に加速する分野において,最初のテキストbfTriangular Document-level textbfPre-training(textbfTRIP)を提案する。 TRIPは、3つの多言語文書レベルの機械翻訳ベンチマークと1つの言語間抽象的な要約ベンチマークで、最大3.11d-BLEU点と8.9ROUGE-L点の一貫性のある改善を含む、強力なSOTAスコアを達成している。
  論文  参考訳（メタデータ） (2022-12-15T12:14:25Z)
• AM2iCo: Evaluating Word Meaning in Context across Low-ResourceLanguages with Adversarial Examples [51.048234591165155]
  本稿では, AM2iCo, Adversarial and Multilingual Meaning in Contextを提案する。 言語間文脈における単語の意味の同一性を理解するために、最先端(SotA)表現モデルを忠実に評価することを目的としている。 その結果、現在のSotAプリトレーニングエンコーダは人間のパフォーマンスにかなり遅れていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-04-17T20:23:45Z)
• Knowledge Distillation for Multilingual Unsupervised Neural Machine Translation [61.88012735215636]
  unsupervised neural machine translation (UNMT) は、最近、いくつかの言語対に対して顕著な結果を得た。 UNMTは単一の言語ペア間でのみ翻訳することができ、同時に複数の言語ペアに対して翻訳結果を生成することはできない。 本稿では,1つのエンコーダと1つのデコーダを用いて13言語間を翻訳する簡単な手法を実証的に紹介する。
  論文  参考訳（メタデータ） (2020-04-21T17:26:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。